基于注意力机制的螺纹钢异常判定方法技术

本发明专利技术涉及数据处理技术领域，具体涉及一种基于注意力机制的螺纹钢异常判定方法。该方法通过获取螺纹钢表面的初始图像得到其中的疑似异常区域；获取疑似异常区域的灰度图像，获取螺纹钢横肋在灰度图像上的角度为基准角度；根据滤波器获取灰度图像在任意角度下的纹理响应图；根据每个角度的纹理响应图的平均能量熵的大小为每个角度分配权值；基于权值、基准角度以及每个角度的灰度共生矩阵进行加权求和得到完整灰度共生矩阵；根据完整灰度共生矩阵计算逆差矩图像，将逆差矩图像与初始图像输入卷积神经网络得到螺纹钢表面的异常类别。避免了由于异常的方向性对异常纹理信息提取的影响，提高了异常类别判定的准确性。提高了异常类别判定的准确性。提高了异常类别判定的准确性。

【技术实现步骤摘要】
基于注意力机制的螺纹钢异常判定方法


[0001]本专利技术涉及数据处理
，具体涉及一种基于注意力机制的螺纹钢异常判定方法。

技术介绍

[0002]螺纹钢是一种表面带筋的钢筋，可以承受较大的外力，被广泛地运用在建筑业领域，例如房屋、道路、水坝、隧道等多种建筑结构中。螺纹钢的表面异常如凹坑、结疤、裂纹、划痕和麻面，不仅影响了螺纹钢的美观性，甚至对螺纹钢的结构性能产生较大影响，带来安全性隐患。
[0003]传统的螺纹钢表面异常的检测是依靠人工目检，需要检测员对螺纹钢表面进行异常标注，标注的准确性和稳定性可能会受到检测环境和检测员本身状态影响。于是基于计算机视觉对螺纹钢表面的异常进行检测的应用越来越广泛，而利用常用的灰度共生矩阵进行分析时，容易由于拍摄角度的原因导致灰度共生矩阵按照固定角度提取纹理特征时受到影响，从而对提取出的纹理特征造成影响，降低了后续对异常分析的准确性。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于注意力机制的螺纹钢异常判定方法，该方法包括以下步骤：获取螺纹钢表面的初始图像，计算所述初始图像对应的显著图；根据所述显著图得到所述初始图像中的疑似异常区域；获取所述疑似异常区域的灰度图像，获取所述螺纹钢横肋在所述灰度图像上的角度为基准角度；根据滤波器获取所述灰度图像在任意角度下多个尺度的纹理响应特征图；基于所述基准角度计算任意所述角度下每个所述纹理响应特征图对应的权重，根据所述权重与每个尺度的所述纹理响应特征图加权求和得到任意所述角度的纹理响应图；计算每个所述角度的所述纹理响应图的平均能量熵，根据所述平均能量熵的大小为每个所述角度分配权值；计算所述灰度图像在每个所述角度的灰度共生矩阵，基于所述权值、所述基准角度以及每个所述灰度共生矩阵进行加权求和得到完整灰度共生矩阵；根据所述完整灰度共生矩阵计算逆差矩图像，将所述逆差矩图像与所述初始图像输入卷积神经网络得到所述螺纹钢表面的异常类别。
[0005]优选的，所述计算所述初始图像对应的显著图的步骤，包括：将所述初始图像由RGB颜色空间转换为LAB颜色空间得到LAB图像；获取所述LAB图像中像素点在L通道、A通道以及B通道分别对应的像素均值，根据所述初始图像与每个通道的所述像素均值得到所述显著图。
[0006]优选的，所述根据所述显著图得到所述初始图像中的疑似异常区域的步骤，包括：基于所述显著图中每个像素点的显著值获取分类阈值，所述显著图中所述显著值大于所述分类阈值的像素点为疑似异常像素点，所有所述疑似异常像素点构成所述疑似异
常区域。
[0007]优选的，所述基于所述基准角度计算任意所述角度下每个所述纹理响应特征图对应的权重的步骤，包括：计算所述角度下每个所述纹理响应特征图内像素点的纹理梯度值为：其中，表示灰度图像中坐标为的像素点对应的纹理梯度值；表示灰度图像中坐标为的像素点对应的纹理响应特征值；表示基准角度；表示纹理相应特征图对应的角度；表示尺度；表示余弦函数；表示正弦函数；根据每个所述像素点的纹理梯度值构成纹理梯度图，根据所述纹理梯度图得到每个所述纹理响应特征图对应的权重。
[0008]优选的，所述根据所述纹理梯度图得到每个所述纹理响应特征图对应的权重的步骤，包括：获取所述角度下每个所述纹理梯度图的像素的均值，根据所述灰度图像与任意所述纹理梯度图的均值得到对应的纹理显著图；获取每个所述纹理显著图对应的纹理显著均值，对所述纹理显著均值进行归一化得到每个所述纹理响应特征图对应的权重。
[0009]优选的，所述计算每个所述角度的所述纹理响应图的平均能量熵的步骤，包括：所述平均能量熵的计算为：其中，表示第个角度对应的纹理响应图的平均能量熵；表示在第个角度对应的纹理响应图中第行第列对应的元素；表示该纹理响应图的尺寸大小；表示角度校准系数。
[0010]优选的，所述角度校准系数为：其中，表示角度校准系数；表示基准角度；表示角度。
[0011]本专利技术具有如下有益效果：本专利技术实施例通过获取螺纹钢表面横肋的方向作为基准方向，对灰度共生矩阵对螺纹钢表面初始图像提取纹理信息时的角度进行修正，每个角度的修正基于每个角度下多个尺度的纹理响应图得到，提高了对数据分析的准确度，以避免灰度共生矩阵提取异常纹理特征信息存在的偏差，进一步获取逆差矩图像，结合初始图像通过神经网络完成对螺纹钢表面异常类别的判定，增加了判定结果的可靠性。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0013]图1为本专利技术一个实施例所提供的一种基于注意力机制的螺纹钢异常判定的方法流程图。
具体实施方式
[0014]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于注意力机制的螺纹钢异常判定方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0015]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0016]本申请适用于对螺纹钢表面异常类别的识别判定，通过螺纹钢表面的初始图像进行初步分类得到疑似异常区域对应的灰度图像，通过对灰度图像进行灰度共生矩阵计算时的角度进行多次矫正从而得到最终的完整灰度共生矩阵，基于完整灰度共生矩阵得到对应的逆差矩图像，将逆差矩图像与初始图像输入卷积神经网络中得到异常类别，避免了因为异常方向对灰度共生矩阵纹理提取的影响，提高了识别的准确性。
[0017]下面结合附图具体的说明本专利技术所提供的一种基于注意力机制的螺纹钢异常判定方法的具体方案。
[0018]请参阅图1，其示出了本专利技术一个实施例提供的一种基于注意力机制的螺纹钢异常判定的方法流程图，该方法包括以下步骤：步骤S100，获取螺纹钢表面的初始图像，计算初始图像对应的显著图；根据显著图得到初始图像中的疑似异常区域。
[0019]具体的，实施者根据实际情况布置工业相机用于对螺纹钢表面进行图像采集，得到螺纹钢表面的图像。为了保证后续分析图像的准确性，本专利技术实施例对螺纹钢表面的图像进行高斯滤波处理得到螺纹钢表面的初始图像；对该初始图像中每个像素点的特性进行分析。
[0020]初始图像由RGB颜色空间转换为LAB颜色空间得到LAB图像；获取LAB图像中像素点在L通道、A通道以及B通道分别对应的像素均值，根据初始图像与每个通道的像素均值得到显著图。
[0021]获取显著图的具体方法为：对获取到的初始图像从RGB颜色空间转换至LAB颜色空间得到LAB图像，分别计算该LAB图像在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的螺纹钢异常判定方法，其特征在于，该方法包括以下步骤：获取螺纹钢表面的初始图像，计算所述初始图像对应的显著图；根据所述显著图得到所述初始图像中的疑似异常区域；获取所述疑似异常区域的灰度图像，获取所述螺纹钢横肋在所述灰度图像上的角度为基准角度；根据滤波器获取所述灰度图像在任意角度下多个尺度的纹理响应特征图；基于所述基准角度计算任意所述角度下每个所述纹理响应特征图对应的权重，根据所述权重与每个尺度的所述纹理响应特征图加权求和得到任意所述角度的纹理响应图；计算每个所述角度的所述纹理响应图的平均能量熵，根据所述平均能量熵的大小为每个所述角度分配权值；计算所述灰度图像在每个所述角度的灰度共生矩阵，基于所述权值、所述基准角度以及每个所述灰度共生矩阵进行加权求和得到完整灰度共生矩阵；根据所述完整灰度共生矩阵计算逆差矩图像，将所述逆差矩图像与所述初始图像输入卷积神经网络得到所述螺纹钢表面的异常类别。2.根据权利要求1所述的方法，其特征在于，所述计算所述初始图像对应的显著图的步骤，包括：将所述初始图像由RGB颜色空间转换为LAB颜色空间得到LAB图像；获取所述LAB图像中像素点在L通道、A通道以及B通道分别对应的像素均值，根据所述初始图像与每个通道的所述像素均值得到所述显著图。3.根据权利要求1所述的方法，其特征在于，所述根据所述显著图得到所述初始图像中的疑似异常区域的步骤，包括：基于所述显著图中每个像素点的显著值获取分类阈值，所述显著图中所述显著值大于所述分类阈...

【专利技术属性】
技术研发人员：彭正德，
申请(专利权)人：南通飞旋智能科技有限公司，
类型：发明
国别省市：